語音識別的降噪思路和原因總結

噪聲問題一直是語音識別的一個老大難的問題，在理想的實驗室的環境下，識別效果已經非常好了，之前聽很多音頻算法工程師抱怨，在給識別做降噪時，經常發現WER不降反升，降低了識別率，有點莫名其妙，又無處下手。

剛好，前段時間調到了AIlab部門，有機會接觸這塊，改善語音識別的噪聲問題，雖然在此之前，詢問過同行業的朋友，單通道近場下，基本沒有太大作用，有時反而起到反作用，但是自己還是想親身實踐一下，至少找到這些方法失效的原因，看看是否在這些失敗的原因里面，改進下思路，可能有新的發現；同時去Ailab，順帶把深度學習降噪實踐一把，就算在ASR沒有效果，以后還能用在語音通信這個領域。

任務的要求是保證聲學模型不變動的情況下，即不重新訓練聲學模型，即單純利用降噪來改善那些環境惡劣的樣本，同時保證不干擾純凈語音或者弱噪聲的語音場景，所以非常具有挑戰性。

為了趕項目，用自己非常熟悉的各種傳統的降噪方法：包括最小值跟蹤噪聲估計，MCRA， IMCRA，等各種噪聲估計方法，以及開源項目 webrtc NS， AFE（ETSI ES 202 050 Advanced DSR Front-end Codec， two stages of Wiener filtering），剩下的任務就是調參，經過很多次努力，基本沒有什么效果，相反WER還會有1%點左右的增加。

分析對比了降噪和沒有降噪的識別文本對比和頻譜分析，總結了以下這些原因，希望對后面的人有些參考意義：

1. DNN本身就有很強的抗噪性，在弱噪聲和純凈語音下，基本都不是問題。

通常場景下，這點噪聲，用線上數據或者刻意加噪訓練，是完全可以吸收掉的，只有在20db以下，含噪樣本的頻譜特征和純凈樣本的頻譜特征差異太大，用模型學習收斂就不太好，這時需要降噪前端。

2. 降噪對于純凈語音或者弱噪聲環境下，不可避免的對語音有所損傷，只有在惡劣的環境下，會起到非常明顯的作用。

傳統降噪是基于統計意義上面的一個處理，難以做到瞬時噪聲的精準估計，這個本身就是一個近似的，粗略模糊化的一個處理，即不可避免的對噪聲欠估計或者過估計，本身難把握，保真語音，只去噪，如果噪聲水平很弱，這個降噪也沒有什么用或者說沒有明顯作用，去噪力度大了，又會破壞語音?？梢灶A見，根據測試集進行調參，就像是在繩子上面玩雜技。

我們的測試樣本集，90%的樣本都在在20db以上，只有200來條的樣子，環境比較惡劣。所以通常起來反作用。

3. 降噪里面的很多平滑處理，是有利于改善聽感的，但是頻譜也變得模糊，這些特征是否能落到正確的類別空間里面，也是存在疑問的。所以在前端降噪的基礎上，再過一遍聲學模型重新訓練，應該是有所作用的，但是訓練一個聲學模型都要10來天，損失太大，也不滿足任務要求。

4. 傳統降噪，通常噪聲初始化會利用初始的前幾幀，而如果開頭是語音，那就會失真很明顯。

5. 估計出噪聲水平，在SNR低的情況下降噪，SNR高時，不處理或者進行弱處理，在中間水平，進行軟處理，這個思路似乎可以行的通。

6. 用基于聲學特征的傳統降噪方法，嘗試過，在測試集里面，有不到1%的WER降低。

7. 到底用什么量來指導降噪過程？

既然降噪沒法做好很好的跟蹤，處理的很理想。即不可能處理的很干凈，同時不能保證語音分量不會被損傷，即降噪和保證語音分量是個相互矛盾，同時也是一個權衡問題。那其實換個角度，降噪主要是改善了聲學特征，讓原來受噪聲影響錯分類的音素落到正確的音素類別，即降低CE。那么應該直接將降噪和CE做個關聯，用CE指導降噪過程參數的自適應變化，在一個有代表性的數據集里面，有統計意義上的效果，可能不一定能改善聽感，處理的很干凈，但是在整體意義上，有能改善識別的。所以說語音去噪模塊必須要和聲學前端聯合起來優化，目標是將去噪后的數據投影到聲學模塊接受的數據空間，而不是改善聽感，即優化的目標是降低聲學模型的CE，或者說是降低整條鏈路的wer，所以用降噪網絡的LOSS除了本身的損失量，還應綁定CE的LOSS自適應去訓練學習是比較合理的方案。也可以將降噪網絡看成和聲學模型是一個大網絡，為CE服務，當然，這不一定是降噪網絡，也可以是傳統的自適應降噪方法，但是如果是基于kaldi開發，里面涉及到的工程量是很大的。

8. 在整個語音識別體系中，由于聲學模型的強抗噪性，所以單通道下的前端降噪似乎沒有什么意義，1%左右的wer的改變，基本不影響整個大局，所以想要搞識別這塊的朋友，應該先把重要的聲學模型，語言模型，解碼器，搞完之后，再來擼擼這塊，因為即便沒有單獨的前端，整個識別大多數場景都是OK的，惡劣的場景比較少，一般場景大不了擴增各種帶噪數據訓練，也是可以的。

責任編輯：lq6